Verfahren zum automatischen Segmentieren von Audiodaten dienen dazu, Tonauf- nahmen maschinell und unu ̈berwacht zu unterteilen.<br />Ein gutes Segmentierungsver- fahrenerkenntzumBeispieldenBeginneinesneuenMusikstu ̈ckes,denU ̈bergangvon Musik in gesprochenen Text oder den Wechsel von Sprechern innerhalb eines aufge- nommenen Radioprogramms. Die vorliegende Diplomarbeit setzt sich zum Ziel, eine Methode vorzustellen, die sich insbesondere zur Segmentierung langer Aufnahmen eignet. Als Basis wird dafu ̈r das Prinzip der Selbsta ̈hnlichkeits-Analyse verwendet. Das Ergebnis dieser Analyse ist eine zeitdiskrete Kurve, auf welche eine neue Metho- de zur Senkung der Falsch-Erkennungsrate angewandt wird.<br />Im Rahmen dieser Arbeit wurde ein Software-Prototyp erstellt, der das Experimen- tieren mit allen freien Parametern des Verfahrens erlaubt. Im letzten Teil der Arbeit werden einige, mit der Software durchgefu ̈hrte Segmentie- rungen evaluiert. Dazu wurde fu ̈r zahlreiche Radioaufnahmen eine Ground Truth erstellt, die dann mit verschieden konfigurierten Segmentierungsla ̈ufen verglichen wird.<br />
de
Automatic Audio Segmentation is used to decompose recorded audio material into distinct parts. A robust segmentation algorithm can find the start of a new song, the transition from music to spoken text or the change of different speakers in broadcast content.<br />This thesis aims to introduce a new method, which is especially suited to segment long running content. In the first step, self-similarity analysis is used to calculate a novelty score, which reveals the structure of the audio material. To enhance the resulting score, a new approach to eliminate wrong boundary predictions is introduced.<br />A custom built software prototype makes it possible to experiment with all free parameters of the presented method. Finally an evaluation concept - based on a manually created ground truth - is discussed.
